泽夫·法布曼（Zeev Farbman）是Lightricks的联合创始人和CEO，Lightricks是一家以AI为先的创意技术公司，旗下拥有LTX-2 AI模型、LTX Studio和Facetune。法布曼拥有希伯来大学耶路撒冷分校的计算机科学博士学位，他的职业生涯始终处于AI研究、计算机摄影和创造力的交叉点。在他的领导下，Lightricks建立了专有的技术和生成AI模型，推动下一代内容创作。作为一名曾经的研究人员转变为企业家的法布曼热衷于将学术突破转化为全球企业可用的创意工具。
人工智能驱动的科技巨头之间正在发生的戏剧性市场波动，公开公司在不到一个月的时间内损失了超过 1万亿美元的估值，清楚地表明估值与基本面脱节。然而，当前的真正问题不是泡沫何时会破裂，而是如何让行业负责地让泡沫缓慢地泄气，并为人工智能的未来做好准备。在过去的几年里，人工智能已经成为大估值、无限可扩展性和一种感觉的代名词，即没有人可以与最大的玩家竞争。但技术现实已经转变，指向人工智能的不同类型的未来：真正的钱不是在非常昂贵的人工智能模型上，这些模型有一天会带来超出预期的回报。人工智能的价值越来越多地体现在它如何被整合和用于为企业赚钱，考虑到边界推动的前沿人工智能模型应该变得更便宜，而不是更昂贵。奇点神话已经结束。规模不再带来阶跃式的收益。执行、分发和生态系统现在比原始模型大小更重要。调整期望以适应这种新现实，将使得不断增长的人工智能泡沫能够缓慢地泄气，而不是突然破裂并对经济和金融市场造成破坏，就像二十五年前互联网泡沫破裂一样。在90年代，科技行业认为互联网可以做任何事情，任何建立在互联网上的东西都将自然成功。他们是错误的，泡沫确实破裂了——但互联网幸存下来。崩溃凸显了在线成功不仅仅是关于底层技术——互联网——而且是关于开发智能和有效的用例、产品和硬件。互联网不仅仅是通过协议获胜的。它在浏览器、内容分发网络和开发者生态系统使其可用时才获胜。亚马逊幸存下来，仍然蓬勃发展，而Pets.com失败了，因为它从未有过一种盈利的方式来处理其狗粮的发货，这是一个被互联网诱人的想法所忽略的挑战，即它将能够在整个国家拥有客户。这就是大型人工智能今天的处境，沉浸在关于该技术未来的梦想和期望中。没有疑问，这是我们今天最令人惊叹的技术。但人工智能模型只是底层技术，而不是答案本身，当然也不是钱和价值将在哪里停留的地方。事实上，变压器和扩散架构，这些是大多数生成性人工智能的基础，是公开的；优化框架是开放的；计算能力越来越容易获得。障碍不再是理论知识。它是构建可靠的系统并将它们集成到现有的创作和生产管道中的手艺，这将决定谁会成功。这些产品和服务也不再需要投资者预付数万亿美元。我知道这一点，因为我自己的经历。我们的耶路撒冷团队以大约1亿美元的成本，远远低于市场领先者的成本，建立了一个开源的音频-视频模型，用于制作人工智能视频，通常具有更长的连续场景、更高的分辨率和速度。这是通过纪律严明的工程实现的，而不是秘密的酱料。与互联网一样，谁能生存下来将是那些利用人工智能来实现最佳用例、硬件应用、产品和服务的人。的确，很难预测这些用例会是什么。但是，就像90年代初使用AOL或Prodigy时，没有人能想象到Gmail的出现。然而，尽管没有先见之明，但仍有一些明智的问题需要在此过程中提出，以指导人工智能行业及其投资者朝着缓慢而渐进地让泡沫泄气的方向努力，同时建立起未来的经济。投资者，包括风险投资家和将钱投入人工智能公司的养老基金，需要问清楚到底创造了什么价值。数十亿美元被投入到大型科技公司的研究中，以建立最终可以轻松复制的人工智能。巨大的人工智能预算不能保证独特的知识产权、用户锁定或可防御的经济学。现在，投资者需要评估公司如何建立、优化和将模型集成到客户的真实工作流程中，创造实际的产品和服务。投资者应该寻找诸如工作量经济学等指标来评估人工智能应用。这些，而不是模型本身的才华或专有性质，是价值的关键要素。了解开源模型的价值也很重要。这些模型通常比封闭的API更快地迭代，因为研究人员和开发人员可以在本地适应它们。这种采用会在公司或产品周围形成护城河，有助于保证利润和成功投资者和企业家都需要退一步，评估人工智能和所有相关组件的真正成本。这些成本往往被夸大，高于必要的成本。总体方法应该是，硬件成本是波动的，因此人工智能设计不应依赖于任何特定的设备或硬件。公司的价值和区别在于其每美元的吞吐量，而不是供应商的折扣，偏爱某种硬件。人工智能支出的防御性现在在于基础设施优化、专有数据和集成深度。具有良好解决方案想法的企业家，他们精心设计或使用模型，以最终性能为目标，将胜过那些寻求大型模型的人，这些模型可以稍后用于不同的潜在用途。另外，提供开放的部署选项供无法依赖远程API进行实时体验的工作室和平台也是一个优势。政策制定者和行业也需要更逻辑地思考监管。进展在这些领域一直很慢，主要集中在大型设备上运行的前沿模型上；这种方法不再实用。动力主要是使这些模型能够在消费者设备上运行，使得模型本身的监管变得不可能。许多模型的开源性质也为当前的监管方法带来了另一个重大挑战。再次，正确的方法是专注于通过应用程序和产品进行部署，并为各个行业开发这些领域的监管框架，而不是关于模型的总体政策。目标应该是监管应用程序和行业，并制定有关来源、产品中的安全护栏和合成媒体披露的标准。90年代和21世纪初的历史再次提供了一个明智的教训：流行的音乐文件共享公司Napster的案例并没有限制文件共享本身——这种技术只会增长和变得更快，最终让位于流媒体——而是专注于平台对技术的负责任的部署。（即使在破产后，Napster也能够通过调整其技术的部署方式而继续存在，并在今年早些时候被以超过2亿美元的价格收购。）最终，市场将围绕几个统一的多模态人工智能模型进行整合，这些模型可以被提炼以提高效率，并适应不同的用途。所有利益相关者都需要更加关注应用程序和人工智能可以带来的实际业务价值，而不是沉迷于模型本身的承诺。该行业正在以比创造价值更快的速度膨胀。这种情况是否会以戏剧性的修正结束——类似于早期互联网泡沫——尚有待讨论。但是，当前的清晰度意味着未来的韧性和实际业务价值，而不是仅仅依赖人工智能模型本身。
